Out Come Setelah mengikuti pertemuan ini mahasiswa diharapkan dapat mngerti dan menjelaskan: struktur jaringan biologi dan JST, pemakaian matematika untuk.

Presentasi berjudul: "Out Come Setelah mengikuti pertemuan ini mahasiswa diharapkan dapat mngerti dan menjelaskan: struktur jaringan biologi dan JST, pemakaian matematika untuk."— Transcript presentasi:

1

2 Out Come Setelah mengikuti pertemuan ini mahasiswa diharapkan dapat mngerti dan menjelaskan: struktur jaringan biologi dan JST, pemakaian matematika untuk proses kerja JST dan mengaktifkan JST. Out Line Struktur Jaringan Biologi dan JST Pemakaian Matematika untuk proses kerja JST Mengaktifkan JST

3 Pada pertemuan 1 dijelaskan bahwa pembuatan struktur JST terinspirasi pada jaringan otak manusia. Maka akan dibahas tentang jaringan pada otak manusia. Neuron Yaitu satuan unit pemrosesan terkecil pada otak. Dendrit berfungsi sebagai penyampai sinyal dari neuron ke neuron Neuron(10 13 ) – Dendrit(10 15 )-Neuron(10 13 ) Tempat keluar dari neuron disebut dengan axon, sedangkan bagian penerima disebut synapse(sinapsis). Jaringan saraf terbentuk dari 1 triliun struktur dasar neuron yang terkoneksi dan terintegrasi oleh sinapsisnya sehingga dapat melakukanpenyimpanan pengetahuan.

4 F(x,W) = f(w 1 x 1 +…+w n x n ) (2.1) Ket : X = jumlah sinyal masukan W= penimbang bersesuaian Penjumlahan dari seluruh hasil perkalian tsb dan keluaran yang dihasilkan dilakukan didalam fungsi pengaktif untuk mendapatkan tingkatan derajad sinyal keluarannya F(x,W).  Model Adeline (ADAptive Linear Neuron) Dikemukakan oleh Widrow dkk (1960). Neuron ini dinyatakan sebagai neuron/unit logika ambang dengan keluaran bipola(-1,+1). Masukan unit tersebut juga bipolar tanpa ada batasan apakah bernilai biner atau ricl. Model yang terbentuk oleh ADALINE disebut MADALINE (Multiple ADALINE). Contoh : detektor frekuensi gelombang, monitoring mesin, dll.

5  Model Perseptron Rosenblatt, Minsky dan Papert memberikan argument= tenteng perseptron bahwa nilai ambang fungsi step biner (0,1). model jaringan yang terbentuk oleh perseptron tunggal disebu MLP(Multiple Layer Perseptron). Kemampuan ADALINE maupun perseptron tunggal hanya untuk memisahkan suatu pola linear sedangkan kemampuan dalam jaringan telah terbukti dapat menyelesaikan problema kendali, pengenalan/pengolahan citra, peramalan dalam bidang keilmuan.

6 Matrik dan vektor Matrik adalah susunan dari baris dan kolom bilangan2 nyata. Misal : sebuah matrik A memiliki m baris dan n kolom maka matrik dinyatakan dengan matrik m x n. Vektor digunakan untuk menyatakan citra atau kuallitas bilangan yang mempunyai besaran dan arah. Contoh : pada saat orang berjalan maka memiliki kecepatan dan arah tertentu. Pada Matrik 2 Dimensi dapat dirumuskan dengan: x [A] = y (2.2) z Ket : x = kecepatan (variable 1) y = arah (variable 2) z = berat (variable 3)

7 Sedangkan implementasi dari citra 3dimensi dapat dirusmuskan : x Ket : v = jenis kalamin ( atau variable 3) [A] = y w = usia (atau variable 4) Z V W Jml Komponen = Jml masing2 vektor. Perkalian vektor dengan skalar adalah perkalian masing2 komponen vektor dengan skalar, yang berarti memperpanjang ataupun memperpendek vektor tersebut. Bila skalarnya negatif maka akan menghasilkan arah vektor yang berlawanan dari arah asalnya. Sedangkan penambahan atau pengurangan vektor adalah pengurangan atau penambahan dari masing2 komponennya.

8 Prinsip kerja komputasi dengan menggunakan JST Pada pengenalan citra ataupun pola berdasarkan prinsip transformasi matrik Sedangkan pada Tingkat kesamaan (Similarity) berdasarkan pengukuran dari tingkat kesamaan dua buah vektor dengan inner product. Misalnya : 2 vektor a=(1,2) dan b=(0,1) dengan sudut kemiringan 45 0 maka dapat digambarkan : a,b = a 1 b 1 + a 2 b 2 Maka diperoleh hasil inner product dengan: [A] = 1 [B] = 1 2 2

9 Metode Analisis regresi = dasar analisis statistik Memiliki kesamaan : - solusi2 peramalan - aplikasi deteksi dan identifikasi sistem - konsep dasar yang dianut Contoh : pada identifikasi X: masukan tiap variable Maka dapat dirusmuskan I d = f(x 1,x 2,…,x n ) (2.5) bila koefisien pengali variable masukan tersebut dinyatakan dengan (w n ) maka fungsi relasi dapat dituliskan : I d =w 1 x 1 +w 2 x 2 +…+w n x n (2.6)

10 Teori ini mempersentasikan kemampuan JST maju (feedforward) sebagai aproksimator fungsi kontinyu variable jamak. Teori ini dapat dirumuskan dengan nilai real: F(x1,x2,…,xn) = Ket : g j = fungsi kontinyu satu variable = fungsi kontinyu dengan kenailkan monoton terhadap fungsi independen f

11 Fungsi pengaktif membangkitkan sinyal2 unipolar atau bipolar. Fungsi unit step maupun ramp sering digunakan pada JST menggunakan neuron linier yang berfungsi sebagai elemen thresholdnya dengan keluaran biner. Dapat dirumuskan Fungsi pengaktif : - Fungsi Step F(net) = a bila net < c b bila net > c - Fungsi Ramp a bila net c - F(net) = b bila net d a + selain kondisi tsb diatas

12 - Fungsi sigmoid unipolar F(x) = 1 1+e –f(x) - fungsi sigmoid Bipolar f(x) = 1-e -f(x) 1+e -f(x) (2.9) f(x) = = (2.10)

13 SEKIAN DAN TERIMA KASIH